MIRACL-VISION은 NVIDIA가 2025년에 발표한 다국어 비전 검색 데이터셋으로, 관련 논문 성과는 「MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark」이며, 다국어·멀티모달 검색 파이프라인을 평가하는 것을 목표로 합니다.

이 데이터셋은 7,898개의 사용자 질문과 338,734장의 위키백과 기사 이미지 및 해당 주석을 포함하며, 아랍어, 벵골어, 영어, 스페인어, 페르시아어, 핀란드어, 프랑스어, 힌디어, 인도네시아어, 일본어, 한국어, 러시아어, 스와힐리어, 텔루구어, 태국어, 중국어, 요루바어 등 18개 언어를 지원합니다.

데이터셋 구성

• 언어 하위 집합: 데이터셋은 18개 언어를 포괄하며, 각 언어는 독립적인 구성(config) 및 데이터 파일에 해당합니다.

• Queries: 사용자 쿼리 텍스트를 저장하며, Parquet 형식을 사용합니다.

• Corpus: 위키백과 기사 및 해당 이미지 데이터를 저장하며, Parquet 형식을 사용합니다.

• Qrels: 쿼리와 문서 간의 관련성 정보를 저장하며, Parquet 형식을 사용합니다.

• Images: 문서와 연결된 이미지 데이터를 저장하며, Parquet 형식을 사용합니다.

Citation

@misc{osmulsk2025miraclvisionlargemultilingualvisual,
      title={MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark}, 
      author={Radek Osmulsk and Gabriel de Souza P. Moreira and Ronay Ak and Mengyao Xu and Benedikt Schifferer and Even Oldridge},
      year={2025},
      eprint={2505.11651},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2505.11651}, 
}